Ford가 AI 및 자동화 오류를 해결하기 위해 베테랑 엔지니어들을 다시 채용한 이유

최근 JD Power의 초기 품질 순위에서 1위를 차지한 Ford의 성과 뒤에는 놀라운 고백이 숨어 있습니다. 바로 자사의 자동화 시스템이 저지른 실수를 바로잡기 위해 퇴사했던 엔지니어들을 다시 불러들여야 했다는 사실입니다. 이러한 변화는 인간의 조직적 지식(institutional knowledge)을 보존하지 않은 채 AI에 과도하게 의존하는 것이 얼마나 위험한지에 대해 기술 산업에 중요한 교훈을 던져줍니다.

"AI 우선" 엔지니어링의 함정

수년 동안 Ford는 인공지능과 조정된 설계 요구 사항에 크게 의존하여 생산 및 설계 프로세스를 간소화하려고 시도했습니다. 하지만 회사는 단순히 AI를 도입한다고 해서 고품질 제품이 자동으로 보장되는 것은 아니라는 사실을 깨달았습니다. 핵심 문제는 두 가지였습니다. AI 모델 학습에 사용된 데이터의 품질이 불충분했다는 점과, 회사가 "조직적 지식"의 가치를 과소평가했다는 점입니다.

Ford의 차량 하드웨어 엔지니어링 부사장인 Charles Poon은 자동화가 베테랑 엔지니어들이 제공하는 미묘한 차이(nuance)를 대체할 수 있다고 잘못 가정했다고 인정했습니다. 숙련된 인력들이 회사를 떠나면서 그들이 축적한 전문 지식이 자동화 시스템으로 완전히 전수되지 못했고, 이는 차량 품질 저하와 리콜 증가로 이어졌습니다.

전문성 재건: Human-in-the-Loop 전략

이러한 흐름을 바로잡기 위해 Ford는 대규모 인적 자본 재투자를 단행했습니다. 이 자동차 제조사는 350명 이상의 숙련된 엔지니어를 채용, 승진 또는 복귀시켰습니다. 이 베테랑들의 역할은 단순히 물리적 결함을 수정하는 것에 그치지 않습니다. 이들에게는 AI 시스템을 재학습시키고 젊은 엔지니어들을 멘토링하는 훨씬 더 정교한 임무가 주어졌습니다.

문제가 "시스템에 스며들기" 전에 이러한 전문가들을 활용해 문제를 식별함으로써, Ford는 본질적으로 고품질의 피드백 루프를 구축하고 있습니다. 이 접근 방식은 향후 AI 모델 학습에 사용되는 데이터가 수십 년간의 실전 차량 개발 사이클을 바탕으로 이루어지도록 보장하며, 실리콘 기반의 논리와 실제 세계의 기계적 복잡성 사이의 간극을 메워줍니다.

"발견 후 수정(Find-and-Fix)"에서 "예측적 예방"으로의 전환

COO Kumar Galhotra의 리더십 아래, Ford는 근본적인 철학을 "발견 후 수정"하는 사고방식에서 예방적인 사고방식으로 전환하고 있습니다. 이전에는 부서 간 장벽(silos)이 존재하여 결함이 나타난 후에야 이를 식별했습니다. 새로운 전략은 문제가 최종 제품에 나타나기 전에 차단할 수 있도록 "조력자(enablers) 및 조기 지표(early indicators)"에 집중합니다.

이러한 변화는 Ford의 소프트웨어 개발에서 가장 두드러지게 나타납니다. "빠르게 움직이고 나중에 수정한다(move fast and fix later)"는 접근 방식이 일반적인 가전제품과 달리, 자동차 소프트웨어는 안전이 직결된 환경에서 작동합니다. 이를 관리하기 위해 Ford는 다음과 같은 조치를 취했습니다:

  • 40명 규모의 전담 소프트웨어 품질 보증(QA) 팀을 구축했습니다.
  • 부서 간 장벽을 허물기 위해 소프트웨어, 디지털 및 제조 팀을 통합했습니다.
  • 엣지 케이스(edge cases)를 식별하고 극한 조건에서 소프트웨어를 스트레스 테스트하기 위해 10만 개 이상의 새로운 AI 기반 자동화 테스트를 도입했습니다.

이것이 AI 환경에 중요한 이유

Ford의 경험은 급격한 디지털 전환을 겪고 있는 모든 산업에 경종을 울리는 사례가 됩니다. 이는 AI가 심도 있는 도메인 전문 지식을 대체하는 것이 아니라, 그 능력을 증폭시키는 역량 증폭기(force multiplier)임을 증명합니다. 개발자와 창업자들에게 주는 교훈은 명확합니다. 숙련된 인간의 감독 없이 이루어지는 자동화는 시스템적 취약성을 초래한다는 것입니다. AI 시대의 진정한 신뢰성은 기계의 속도가 인간의 엄격함과 조화를 이루는 하이브리드 모델을 필요로 합니다.

핵심 요약

  • 지식 격차: Ford는 퇴사하는 베테랑 엔지니어들의 "조직적 지식"이 자동화 시스템에 성공적으로 인코딩되지 않았기 때문에 AI 모델이 실패했다는 것을 발견했습니다.
  • 전략적 재채용: 회사는 직원들을 멘토링하고 더 높은 품질의 전문가 주도 데이터를 통해 AI 모델을 재학습시키기 위해 350명 이상의 숙련된 엔지니어를 복귀시켰습니다.
  • 예방적 엔지니어링: Ford는 사후 대응적인 "발견 후 수정" 모델에서 선제적인 접근 방식으로 전환하고 있으며, 10만 개 이상의 AI 기반 테스트를 활용하여 소프트웨어 결함이 고객에게 전달되기 전에 포착하고 있습니다.